論文の概要: Rumor Detection on Social Media with Temporal Propagation Structure Optimization
- arxiv url: http://arxiv.org/abs/2412.08316v2
- Date: Thu, 12 Dec 2024 06:18:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-13 13:31:52.200634
- Title: Rumor Detection on Social Media with Temporal Propagation Structure Optimization
- Title(参考訳): 時空間伝搬構造最適化を用いたソーシャルメディアの噂検出
- Authors: Xingyu Peng, Junran Wu, Ruomei Liu, Ke Xu,
- Abstract要約: ソーシャルメディア上での噂を検知する従来の手法は、主にテキストコンテンツの分析に重点を置いている。
最近の研究は、噂の伝播中に出現する階層的な会話構造をモデル化するためにグラフニューラルネットワークを活用する方向に移行している。
重み付き伝搬木を構築することで時間情報を組み込んだ新しい手法を提案する。
- 参考スコア(独自算出の注目度): 8.502126393786611
- License:
- Abstract: Traditional methods for detecting rumors on social media primarily focus on analyzing textual content, often struggling to capture the complexity of online interactions. Recent research has shifted towards leveraging graph neural networks to model the hierarchical conversation structure that emerges during rumor propagation. However, these methods tend to overlook the temporal aspect of rumor propagation and may disregard potential noise within the propagation structure. In this paper, we propose a novel approach that incorporates temporal information by constructing a weighted propagation tree, where the weight of each edge represents the time interval between connected posts. Drawing upon the theory of structural entropy, we transform this tree into a coding tree. This transformation aims to preserve the essential structure of rumor propagation while reducing noise. Finally, we introduce a recursive neural network to learn from the coding tree for rumor veracity prediction. Experimental results on two common datasets demonstrate the superiority of our approach.
- Abstract(参考訳): ソーシャルメディア上で噂を検出する従来の方法は、主にテキストコンテンツの分析に焦点を合わせており、しばしばオンラインインタラクションの複雑さを捉えるのに苦労している。
最近の研究は、噂の伝播中に出現する階層的な会話構造をモデル化するためにグラフニューラルネットワークを活用している。
しかし、これらの手法は、噂の伝播の時間的側面を見落とし、伝播構造内の潜在的なノイズを無視する傾向がある。
本稿では,各エッジの重みが接続されたポスト間の時間間隔を表す重み付き伝搬木を構築することで,時間情報を組み込んだ新しい手法を提案する。
構造エントロピーの理論に基づいて、この木を符号化木に変換する。
この変換は、ノイズを低減しつつ、噂の伝播の本質的な構造を維持することを目的としている。
最後に、噂の正確性予測のために、符号化木から学習する再帰的ニューラルネットワークを導入する。
2つの共通のデータセットに対する実験結果は、我々のアプローチの優位性を示している。
関連論文リスト
- Epidemiology-informed Network for Robust Rumor Detection [59.89351792706995]
本稿では, 疫学知識を統合し, 性能を高めるための新しい疫学情報ネットワーク(EIN)を提案する。
疫学理論をうわさ検出に適応させるため,各利用者が情報源情報に対する姿勢を付加することが期待されている。
実験結果から,提案したEINは実世界のデータセット上で最先端の手法より優れるだけでなく,樹木の深度にまたがる堅牢性も向上することが示された。
論文 参考訳(メタデータ) (2024-11-20T00:43:32Z) - In Tree Structure Should Sentence Be Generated [6.6322505968162195]
本稿では,自然言語でシーケンスを生成する新しい手法を提案する。
対象の文を木道順に生成する。
SenTreeと呼ばれるモジュールは、バイナリツリーの近似を生成するために導入された。
論文 参考訳(メタデータ) (2024-06-20T10:49:08Z) - On the Two Sides of Redundancy in Graph Neural Networks [6.14580854336436]
我々は近所の木に基づく新しい集約手法を開発した。
近傍木をコンパクトに表現し,それらをマージし,計算冗長性を生かした。
我々の手法は従来のメッセージパッシングニューラルネットワークよりも過度に理解されにくい。
論文 参考訳(メタデータ) (2023-10-06T12:09:09Z) - Rumor Detection with Hierarchical Representation on Bipartite Adhoc
Event Trees [17.970340712017904]
既存のうわさ検出方法は、検出のためのうわさ候補の再投稿伝搬を利用する。
本稿では,BAET と呼ばれる二部構成のアドホックイベントツリーを階層的に表現した新しいうわさ検出モデルを提案する。
論文 参考訳(メタデータ) (2023-04-27T00:37:27Z) - Temporal Aggregation and Propagation Graph Neural Networks for Dynamic
Representation [67.26422477327179]
時間グラフは連続時間を通してノード間の動的相互作用を示す。
本研究では,周辺地域全体と時間的グラフ畳み込みの新たな手法を提案する。
提案するTAP-GNNは,予測性能とオンライン推論遅延の両面で,既存の時間グラフ手法よりも優れた性能を示す。
論文 参考訳(メタデータ) (2023-04-15T08:17:18Z) - Hybrid Predictive Coding: Inferring, Fast and Slow [62.997667081978825]
本稿では,反復型と償却型の両方を原則的に組み合わせたハイブリッド予測符号化ネットワークを提案する。
我々は,本モデルが本質的に不確実性に敏感であり,最小計算費用を用いて正確な信念を得るためにバランスを適応的にバランスさせることを実証した。
論文 参考訳(メタデータ) (2022-04-05T12:52:45Z) - Towards Propagation Uncertainty: Edge-enhanced Bayesian Graph
Convolutional Networks for Rumor Detection [11.128278871845698]
本稿では,エッジ強化型ベイズグラフ畳み込みネットワーク(EBGCN)を提案する。
このモデルはベイズ的アプローチを採用することにより、潜伏関係の信頼性を適応的に再考する。
3つの公開ベンチマークデータセットを用いた実験により,提案モデルでは,噂検出と早期噂検出の双方において,ベースライン法よりも優れた性能が得られることが示された。
論文 参考訳(メタデータ) (2021-07-26T03:07:07Z) - Robust Person Re-Identification through Contextual Mutual Boosting [77.1976737965566]
本研究では,歩行者の局地化を目的としたコンテキスト相互ブースティングネットワーク(CMBN)を提案する。
歩行者をローカライズし、文脈情報と統計的推測を効果的に活用することで特徴を再検討する。
ベンチマークの実験は、最先端のアーキテクチャと比較してアーキテクチャの優位性を示している。
論文 参考訳(メタデータ) (2020-09-16T06:33:35Z) - Neural Networks with Recurrent Generative Feedback [61.90658210112138]
畳み込みニューラルネットワーク(CNN)でこの設計をインスタンス化する
実験では、標準ベンチマーク上の従来のフィードフォワードCNNに対して、CNN-Fは敵のロバスト性を大幅に改善した。
論文 参考訳(メタデータ) (2020-07-17T19:32:48Z) - Learning compositional functions via multiplicative weight updates [97.9457834009578]
乗算重み更新は構成関数に合わせた降下補題を満たすことを示す。
マダムは、学習率のチューニングなしに、最先端のニューラルネットワークアーキテクチャをトレーニングできることを示す。
論文 参考訳(メタデータ) (2020-06-25T17:05:19Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。